博主介绍：✌全网粉丝50W+,前互联网大厂软件研发、集结硕博英豪成立工作室。专注于计算机相关专业项目实战8年之久，选择我们就是选择放心、选择安心毕业✌
> 🍅想要获取完整文章或者源码，或者代做，拉到文章底部即可与我联系了。🍅

点击查看作者主页，了解更多项目！

🍅感兴趣的可以先收藏起来，点赞、关注不迷路，大家在毕设选题，项目以及论文编写等相关问题都可以给我留言咨询，希望帮助同学们顺利毕业 。🍅

1、毕业设计：2026年计算机专业毕业设计选题汇总（建议收藏）✅

2、大数据毕业设计：2026年选题大全 深度学习 python语言 JAVA语言 hadoop和spark（建议收藏）✅

1、项目介绍

技术栈

Python作为核心开发语言，Django框架用于后端业务逻辑构建与接口服务，MySQL数据库承担数据存储与管理，基于用户与基于物品两种协同过滤算法实现个性化商品推荐，Echarts负责前端可视化图表渲染，HTML构建页面基础结构。

功能模块

· 系统首页
· 数据可视化1——柱状图分析
· 数据可视化2——词云图分析
· 数据可视化3——饼状图分析
· 数据可视化4——折线图分析
· 商品详情页——双推荐算法
· 个人信息页面
· 后台数据管理

项目介绍

本系统是基于Python开发的协同过滤算法商品推荐平台。后端采用Django框架处理业务逻辑，集成基于用户和基于物品两种协同过滤算法，通过分析用户历史行为数据计算相似度，生成个性化商品推荐列表。前端借助Echarts实现多维度可视化展示，涵盖商品品类分布柱状图、店铺名称词云、分类占比饼图及上架数量趋势折线图。系统具备商品搜索、详情查看、收藏评论评分、个人信息管理及后台数据维护功能，为用户提供精准的商品发现体验，同时辅助运营人员了解商品结构与用户偏好。

2、项目界面

（1）系统首页
该页面作为协同过滤算法商品推荐系统的前端展示界面，具备商品搜索提交、导航栏页面切换、按热度排序展示商品以及基于用户偏好智能推荐商品的核心功能，同时支持管理员后台操作与用户退出登录。

（2）数据可视化1----柱状图分析
该页面属于协同过滤算法的商品推荐系统，除具备基础的商品搜索提交、页面导航切换、管理员后台操作及退出登录功能外，核心实现了商品相关数据的可视化展示功能，通过图表呈现不同品类商品的数量与付款人数关联数据并支持数据点详情查看。

（3）数据可视化2—词云图分析
该页面属于协同过滤算法的商品推荐系统，除具备基础的商品搜索提交、页面导航切换、管理员后台操作及退出登录功能外，核心实现了店铺名称词云可视化功能，通过词云直观展示不同店铺的出现频率与热度分布，辅助用户快速识别高频店铺信息。

（4）数据可视化3—饼状图分析
该页面属于协同过滤算法的商品推荐系统，除具备基础的商品搜索提交、页面导航切换、管理员后台操作及退出登录功能外，核心实现了商品分类占比的饼图可视化功能，通过饼图直观展示不同商品分类在整体数据中的占比情况，辅助用户快速了解商品结构分布。

（5）数据可视化4—折线图分析
该页面属于协同过滤算法的商品推荐系统，除具备基础的商品搜索提交、页面导航切换、管理员后台操作及退出登录功能外，核心实现了商品上架数量随时间变化的折线图可视化功能，通过折线图直观展示商品上架数量的年度变化趋势，同时支持通过时间滑块对数据区间进行筛选查看。

（6）商品详情页-----双推荐算法
该页面属于协同过滤算法的商品推荐系统，除具备基础的商品搜索提交、页面导航切换、管理员后台操作及退出登录功能外，核心实现了商品详情展示、点击收藏、基于用户的个性化推荐、基于物品的关联推荐以及推荐结果刷新的功能，可辅助用户了解商品信息并发现更多相关商品。

（7）个人信息页面
该页面属于协同过滤算法的商品推荐系统，除具备基础的商品搜索提交、页面导航切换、管理员后台操作及退出登录功能外，核心实现了用户个人信息展示与修改、信息重置，以及我的收藏、我的评论、我的评分的标签页切换查看，同时右侧还提供基于用户偏好的商品推荐与推荐结果刷新功能。

（8）后台数据管理
该页面属于协同过滤算法的商品推荐系统后台管理模块，除具备基础的导航切换、主题更换、用户信息管理及多标签页切换功能外，核心实现了商品数据的列表展示、批量选择、新增商品和删除商品的管理操作，同时支持对商品信息的查看与维护。

3、项目说明

一、技术栈简要说明

本系统以Python为核心开发语言，后端采用Django框架构建业务逻辑与接口服务。MySQL数据库承担用户行为数据与商品信息的存储管理。系统核心集成基于用户与基于物品两种协同过滤推荐算法，通过分析历史行为计算相似度生成个性化推荐。前端使用Echarts进行可视化图表渲染，HTML搭建页面基础结构，共同呈现完整的推荐与数据分析功能。

二、功能模块详细介绍

· 系统首页：作为平台入口界面，提供商品搜索提交功能，支持导航栏在不同页面间切换。首页按热度排序展示商品，同时基于用户历史行为与偏好智能生成个性化商品推荐列表，并设有管理员后台入口与用户退出登录功能。

· 数据可视化1——柱状图分析：该页面在保留基础导航与搜索功能的前提下，通过柱状图呈现不同品类商品的数量与付款人数关联数据，支持数据点详情查看，直观反映各类商品的销售热度与用户活跃度。

· 数据可视化2——词云图分析：页面在基础功能之上，核心实现店铺名称词云可视化，通过关键词大小与权重展示不同店铺的出现频率与热度分布，辅助用户快速识别平台内的高频店铺与热门商家。

· 数据可视化3——饼状图分析：该页面在导航与搜索等基础功能基础上，通过饼图展示商品分类在整体数据中的占比情况，帮助用户直观了解各类商品的构成比例与结构分布。

· 数据可视化4——折线图分析：页面集成基础功能的同时，通过折线图展示商品上架数量随时间变化的年度趋势，并配备时间滑块支持用户对数据区间进行筛选查看，便于分析商品发布的时间规律。

· 商品详情页——双推荐算法：该页面除基础导航与搜索功能外，集中展示商品详细信息，支持用户点击收藏。页面核心亮点是同时呈现基于用户的协同过滤推荐和基于物品的协同过滤推荐结果，并提供推荐结果刷新功能，帮助用户发现更多相关商品。

· 个人信息页面：页面在基础功能之上，支持用户查看与修改个人资料，提供信息重置功能。下方设有我的收藏、我的评论、我的评分标签页，方便用户切换查看个人行为记录。右侧区域同步提供基于用户偏好的商品推荐与推荐结果刷新功能。

· 后台数据管理：作为系统后台管理模块，具备导航切换、主题更换、用户信息管理及多标签页切换功能。核心支持商品数据的列表展示、批量选择、新增商品和删除商品等管理操作，方便运营人员对商品信息进行维护与更新。

三、项目总结

本系统成功构建了基于协同过滤算法的商品推荐平台，后端Django框架与两种推荐算法的融合实现了精准的个性化推荐能力，前端Echarts的多图表展示让商品数据与用户行为一目了然。系统覆盖从用户首页、商品详情、个人中心到后台管理的完整链路，支持商品搜索、收藏评论、数据可视化及推荐结果刷新等交互功能。通过基于用户和基于物品的双重推荐策略，有效提升用户发现商品的效率与体验，同时可视化模块为运营人员提供数据洞察工具。该项目不仅适用于电商推荐场景，也作为推荐算法与Web开发综合应用的典型毕业设计案例，具备较强的实用性与学习价值。

4、核心代码

# -*-coding:utf-8-*-
import os

os.environ["DJANGO_SETTINGS_MODULE"] = "recomend.settings"
import django

django.setup()
from shop.models import *
from math import sqrt, pow
import operator
from django.db.models import Subquery, Q, Count


# from django.shortcuts import render,render_to_response
class UserCf:

    # 获得初始化数据
    def __init__(self, all_user):
        self.all_user = all_user

    # 通过用户名获得列表，仅调试使用
    def getItems(self, username1, username2):
        return self.all_user[username1], self.all_user[username2]

    # 计算两个用户的皮尔逊相关系数
    def pearson(self, user1, user2):  # 数据格式为：商品id，浏览此
        sum_xy = 0.0  # user1,user2 每项打分的成绩的累加
        n = 0  # 公共浏览次数
        sum_x = 0.0  # user1 的打分总和
        sum_y = 0.0  # user2 的打分总和
        sumX2 = 0.0  # user1每项打分平方的累加
        sumY2 = 0.0  # user2每项打分平方的累加
        for shop1, score1 in user1.items():
            if shop1 in user2.keys():  # 计算公共的浏览次数
                n += 1
                sum_xy += score1 * user2[shop1]
                sum_x += score1
                sum_y += user2[shop1]
                sumX2 += pow(score1, 2)
                sumY2 += pow(user2[shop1], 2)
        if n == 0:
            # print("p氏距离为0")
            return 0
        molecule = sum_xy - (sum_x * sum_y) / n  # 分子
        denominator = sqrt((sumX2 - pow(sum_x, 2) / n) * (sumY2 - pow(sum_y, 2) / n))  # 分母
        if denominator == 0:
            return 0
        r = molecule / denominator
        return r

    # 计算与当前用户的距离，获得最临近的用户
    def nearest_user(self, current_user, n=1):
        distances = {}
        # 用户，相似度
        # 遍历整个数据集
        for user, rate_set in self.all_user.items():
            # 非当前的用户
            if user != current_user:
                distance = self.pearson(self.all_user[current_user], self.all_user[user])
                # 计算两个用户的相似度
                distances[user] = distance
        closest_distance = sorted(
            distances.items(), key=operator.itemgetter(1), reverse=True
        )
        # 最相似的N个用户
        print("closest user:", closest_distance[:n])
        return closest_distance[:n]

    # 给用户推荐商品
    def recommend(self, username, n=3):
        recommend = {}
        nearest_user = self.nearest_user(username, n)
        for user, score in dict(nearest_user).items():  # 最相近的n个用户
            for shops, scores in self.all_user[user].items():  # 推荐的用户的商品列表
                if shops not in self.all_user[username].keys():  # 当前username没有看过
                    if shops not in recommend.keys():  # 添加到推荐列表中
                        recommend[shops] = scores*score
        # 对推荐的结果按照商品
        # 浏览次数排序
        return sorted(recommend.items(), key=operator.itemgetter(1), reverse=True)


# 基于用户的推荐
def recommend_by_user_id(user_id):
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            shop_list = shop.objects.filter(tags__in=user_prefer)[:15]
        else:
            shop_list = shop.objects.order_by("-num")[:15]
        return shop_list
    # 选取评分最多的10个用户
    users_rate = Rate.objects.values('user').annotate(mark_num=Count('user')).order_by('-mark_num')
    user_ids = [user_rate['user'] for user_rate in users_rate]
    user_ids.append(user_id)
    users = User.objects.filter(id__in=user_ids)#users 为评分最多的10个用户
    all_user = {}
    for user in users:
        rates = user.rate_set.all()#查出10名用户的数据
        rate = {}
        # 用户有给商品打分 在rate和all_user中进行设置
        if rates:
            for i in rates:
                rate.setdefault(str(i.shop.id), i.mark)#填充商品数据
            all_user.setdefault(user.username, rate)
        else:
            # 用户没有为商品打过分，设为0
            all_user.setdefault(user.username, {})

    user_cf = UserCf(all_user=all_user)
    recommend_list = [each[0] for each in user_cf.recommend(current_user.username, 15)]
    shop_list = list(shop.objects.filter(id__in=recommend_list).order_by("-num")[:15])
    other_length = 15 - len(shop_list)
    if other_length > 0:
        fix_list = shop.objects.filter(~Q(rate__user_id=user_id)).order_by('-collect')
        for fix in fix_list:
            if fix not in shop_list:
                shop_list.append(fix)
            if len(shop_list) >= 15:
                break
    return shop_list


# 计算相似度
def similarity(shop1_id, shop2_id):
    shop1_set = Rate.objects.filter(shop_id=shop1_id)
    # shop1的打分用户数
    shop1_sum = shop1_set.count()
    # shop_2的打分用户数
    shop2_sum = Rate.objects.filter(shop_id=shop2_id).count()
    # 两者的交集
    common = Rate.objects.filter(user_id__in=Subquery(shop1_set.values('user_id')), shop=shop2_id).values('user_id').count()
    # 没有人给当前商品打分
    if shop1_sum == 0 or shop2_sum == 0:
        return 0
    similar_value = common / sqrt(shop1_sum * shop2_sum)#余弦计算相似度
    return similar_value


#基于物品
def recommend_by_item_id(user_id, k=15):
    # 前三的tag，用户评分前三的商品
    user_prefer = UserTagPrefer.objects.filter(user_id=user_id).order_by('-score').values_list('tag_id', flat=True)
    user_prefer = list(user_prefer)[:3]
    print('user_prefer', user_prefer)
    current_user = User.objects.get(id=user_id)
    # 如果当前用户没有打分 则看是否选择过标签，选过的话，就从标签中找
    # 没有的话，就按照浏览度推荐15个
    if current_user.rate_set.count() == 0:
        if len(user_prefer) != 0:
            shop_list = shop.objects.filter(tags__in=user_prefer)[:15]
        else:
            shop_list = shop.objects.order_by("-num")[:15]
        print('from here')
        return shop_list
    # most_tags = Tags.objects.annotate(tags_sum=Count('name')).order_by('-tags_sum').filter(shop__rate__user_id=user_id).order_by('-tags_sum')
    # 选用户最喜欢的标签中的商品，用户没看过的30部，对这30部商品，计算距离最近
    un_watched = shop.objects.filter(~Q(rate__user_id=user_id), tags__in=user_prefer).order_by('?')[:30]  # 看过的商品
    watched = Rate.objects.filter(user_id=user_id).values_list('shop_id', 'mark')
    distances = []
    names = []
    # 在未看过的商品中找到
    for un_watched_shop in un_watched:
        for watched_shop in watched:
            if un_watched_shop not in names:
                names.append(un_watched_shop)
                distances.append((similarity(un_watched_shop.id, watched_shop[0]) * watched_shop[1], un_watched_shop))#加入相似的商品
    distances.sort(key=lambda x: x[0], reverse=True)
    print('this is distances', distances[:15])
    recommend_list = []
    for mark, shop in distances:
        if len(recommend_list) >= k:
            break
        if shop not in recommend_list:
            recommend_list.append(shop)
    # print('this is recommend list', recommend_list)
    # 如果得不到有效数量的推荐 按照未看过的商品中的热度进行填充
    print('recommend list', recommend_list)
    return recommend_list


if __name__ == '__main__':
    # similarity(2003, 2008)
    print(recommend_by_item_id(1799))

5、源码获取方式

🍅由于篇幅限制，获取完整文章或源码、代做项目的，查看我的【用户名】、【专栏名称】、【顶部选题链接】就可以找到我啦🍅

感兴趣的可以先收藏起来，点赞、关注不迷路，下方查看👇🏻获取联系方式👇🏻